{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2863395"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2863395","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Γονιδιακές υπογραφές για την πρόγνωση ασθενών με ΜΜΚΠ(Μη Μικροκυτταρικό Καρκίνο του Πνεύμονα) βάσει δεδομένων μικροσυστοιχιών και τεχνητής νοημοσύνης","abstract":"Ο καρκίνος του πνεύμονα είναι μία από τις πιο θανατηφόρες ασθένειες του 21ου αιώνα. Χωρίζεται σε υποκατηγορίες ανάλογα την παθοφυσιολογία που εμφανίζεται. Ο πιο διαδεδομένος τύπος καρκίνου του πνεύμονα είναι ο μη μικροκυτταρικός καρκίνος, οποίος χωρίζεται σε επιπλέον κατηγορίες με πιο βασική το αδενοκαρκίνωμα. Για την διάγνωση της ασθένειας υπάρχουν επί του παρόντος πολλές εναλλακτικές, ενώ μια μέθοδος που κερδίζει έδαφος είναι η εξέταση στο εργαστήριο με μικροσυστοιχίες. Οι διαθέσιμες θεραπευτικές επιλογές ποικίλλουν ανάλογα με το μοριακό προφίλ του κάθε καρκίνου. Στην παρούσα ερευνητική εργασία έγινε η ανάλυση, με τη χρήση τεχνητής νοημοσύνης και υπολογιστικών μεθόδων, αποτελεσμάτων από πειράματα με μικροσυστοιχίες της Affymetrix, αντλημένα από τις βάσεις δεδομένων GEO και Array Express ούτως ώστε να βρεθούν συγκεκριμένα γονίδια προγνωστές, τα οποία μπορούν να βοηθήσουν στην πρόβλεψη της κλινικής έκβασης του καρκίνου του πνεύμονα (και πιο συγκεκριμένα του αδενοκαρκινώματος) και επίσης θα μπορούσαν να χρησιμοποιηθούν για τη δημιουργία γενετικών υπογραφών. Εκπαιδεύτηκε επίσης, μεταξύ πολλών, συγκεκριμένο μοντέλο-learner, το οποίο είχε τη δυνατότητα να κατατάσσει ασθενείς με αδενοκαρκίνωμα σε ασθενείς με καλή ή κακή πιθανότητα επιβίωσης. Ο επεξεργασία και το φιλτράρισμα των δεδομένων, ώστε να μπορούν να αναλυθούν πιο γρήγορα και εύκολα καθώς και οι υπόλοιποι υπολογισμοί έγιναν κυρίως με τη βοήθεια της γλώσσας προγραμματισμού R και των στατιστικών πακέτων που έχουν αναπτυχθεί για αυτή. Οι πιο σημαντικοί προγνωστές που προβλέφθηκαν ανήκουν σε ομάδες γονιδίων που εμπλέκονται στον καρκίνο του πνεύμονα εκτός από έναν, ο οποίος έχει την πιθανότητα να αποτελεί έναν καινούργιο βιολογικό δείκτη. Οι προγνωστές μπορούν να βοηθήσουν στην δημιουργία γενετικών υπογραφών, αλλά και να ανοίξουν νέους ορίζοντες στην αναζήτηση μορίων στόχων για θεραπεία. Τέλος, το μοντέλο που προσδιορίστηκε έρχεται να προσθέσει ένα ακόμη εργαλείο στην αναζήτηση της καλύτερης θεραπείας για έναν ασθενή με αδενοκαρκίνωμα.","abstract_html":"Ο καρκίνος του πνεύμονα είναι μία από τις πιο θανατηφόρες ασθένειες του 21ου αιώνα. Χωρίζεται σε υποκατηγορίες ανάλογα την παθοφυσιολογία που εμφανίζεται. Ο πιο διαδεδομένος τύπος καρκίνου του πνεύμονα είναι ο μη μικροκυτταρικός καρκίνος, οποίος χωρίζεται σε επιπλέον κατηγορίες με πιο βασική το αδενοκαρκίνωμα. Για την διάγνωση της ασθένειας υπάρχουν επί του παρόντος πολλές εναλλακτικές, ενώ μια μέθοδος που κερδίζει έδαφος είναι η εξέταση στο εργαστήριο με μικροσυστοιχίες. Οι διαθέσιμες θεραπευτικές επιλογές ποικίλλουν ανάλογα με το μοριακό προφίλ του κάθε καρκίνου. Στην παρούσα ερευνητική εργασία έγινε η ανάλυση, με τη χρήση τεχνητής νοημοσύνης και υπολογιστικών μεθόδων, αποτελεσμάτων από πειράματα με μικροσυστοιχίες της Affymetrix, αντλημένα από τις βάσεις δεδομένων GEO και Array Express ούτως ώστε να βρεθούν συγκεκριμένα γονίδια προγνωστές, τα οποία μπορούν να βοηθήσουν στην πρόβλεψη της κλινικής έκβασης του καρκίνου του πνεύμονα (και πιο συγκεκριμένα του αδενοκαρκινώματος) και επίσης θα μπορούσαν να χρησιμοποιηθούν για τη δημιουργία γενετικών υπογραφών. Εκπαιδεύτηκε επίσης, μεταξύ πολλών, συγκεκριμένο μοντέλο-learner, το οποίο είχε τη δυνατότητα να κατατάσσει ασθενείς με αδενοκαρκίνωμα σε ασθενείς με καλή ή κακή πιθανότητα επιβίωσης. Ο επεξεργασία και το φιλτράρισμα των δεδομένων, ώστε να μπορούν να αναλυθούν πιο γρήγορα και εύκολα καθώς και οι υπόλοιποι υπολογισμοί έγιναν κυρίως με τη βοήθεια της γλώσσας προγραμματισμού R και των στατιστικών πακέτων που έχουν αναπτυχθεί για αυτή. Οι πιο σημαντικοί προγνωστές που προβλέφθηκαν ανήκουν σε ομάδες γονιδίων που εμπλέκονται στον καρκίνο του πνεύμονα εκτός από έναν, ο οποίος έχει την πιθανότητα να αποτελεί έναν καινούργιο βιολογικό δείκτη. Οι προγνωστές μπορούν να βοηθήσουν στην δημιουργία γενετικών υπογραφών, αλλά και να ανοίξουν νέους ορίζοντες στην αναζήτηση μορίων στόχων για θεραπεία. Τέλος, το μοντέλο που προσδιορίστηκε έρχεται να προσθέσει ένα ακόμη εργαλείο στην αναζήτηση της καλύτερης θεραπείας για έναν ασθενή με αδενοκαρκίνωμα.","abstract_has_math":false,"creators":["Λεοντής Αριστείδης","Leontis Aristeidis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2019,"date_issued":"2019","date_published":"2019","updated_at":"2026-11-19T05:34:08Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2863395"],"render_values":[{"text":"uoadl:2863395","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2863395","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2863395","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2863395","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Λεοντής Αριστείδης","Leontis Aristeidis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2019"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Επιστήμες Υγείας","Health Sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2863395","https://pergamos.lib.uoa.gr/uoa/dl/object/2863395"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Ο καρκίνος του πνεύμονα είναι μία από τις πιο θανατηφόρες ασθένειες του 21ου αιώνα. Χωρίζεται σε υποκατηγορίες ανάλογα την παθοφυσιολογία που εμφανίζεται. Ο πιο διαδεδομένος τύπος καρκίνου του πνεύμονα είναι ο μη μικροκυτταρικός καρκίνος, οποίος χωρίζεται σε επιπλέον κατηγορίες με πιο βασική το αδενοκαρκίνωμα. Για την διάγνωση της ασθένειας υπάρχουν επί του παρόντος πολλές εναλλακτικές, ενώ μια μέθοδος που κερδίζει έδαφος είναι η εξέταση στο εργαστήριο με μικροσυστοιχίες. Οι διαθέσιμες θεραπευτικές επιλογές ποικίλλουν ανάλογα με το μοριακό προφίλ του κάθε καρκίνου. Στην παρούσα ερευνητική εργασία έγινε η ανάλυση, με τη χρήση τεχνητής νοημοσύνης και υπολογιστικών μεθόδων, αποτελεσμάτων από πειράματα με μικροσυστοιχίες της Affymetrix, αντλημένα από τις βάσεις δεδομένων GEO και Array Express ούτως ώστε να βρεθούν συγκεκριμένα γονίδια προγνωστές, τα οποία μπορούν να βοηθήσουν στην πρόβλεψη της κλινικής έκβασης του καρκίνου του πνεύμονα (και πιο συγκεκριμένα του αδενοκαρκινώματος) και επίσης θα μπορούσαν να χρησιμοποιηθούν για τη δημιουργία γενετικών υπογραφών. Εκπαιδεύτηκε επίσης, μεταξύ πολλών, συγκεκριμένο μοντέλο-learner, το οποίο είχε τη δυνατότητα να κατατάσσει ασθενείς με αδενοκαρκίνωμα σε ασθενείς με καλή ή κακή πιθανότητα επιβίωσης. Ο επεξεργασία και το φιλτράρισμα των δεδομένων, ώστε να μπορούν να αναλυθούν πιο γρήγορα και εύκολα καθώς και οι υπόλοιποι υπολογισμοί έγιναν κυρίως με τη βοήθεια της γλώσσας προγραμματισμού R και των στατιστικών πακέτων που έχουν αναπτυχθεί για αυτή. Οι πιο σημαντικοί προγνωστές που προβλέφθηκαν ανήκουν σε ομάδες γονιδίων που εμπλέκονται στον καρκίνο του πνεύμονα εκτός από έναν, ο οποίος έχει την πιθανότητα να αποτελεί έναν καινούργιο βιολογικό δείκτη. Οι προγνωστές μπορούν να βοηθήσουν στην δημιουργία γενετικών υπογραφών, αλλά και να ανοίξουν νέους ορίζοντες στην αναζήτηση μορίων στόχων για θεραπεία. Τέλος, το μοντέλο που προσδιορίστηκε έρχεται να προσθέσει ένα ακόμη εργαλείο στην αναζήτηση της καλύτερης θεραπείας για έναν ασθενή με αδενοκαρκίνωμα.","Lung cancer is one of the most deadly diseases of the 21st century. It is divided into sub-categories depending on the pathophysiology that occurs. The most widespread type of lung cancer is non-small cell cancer, which is divided into additional categories, one of the most basic being adenocarcinoma. For the diagnosis of the disease there are currently many alternatives, while a method that gains ground is the lab testing with microarrays. The available treatment options vary depending on the molecular profile of each cancer. In the present thesis, we analyzed the use of artificial intelligence and computational methods on results from Affymetrix microarray experiments, derived from the GEO and Array Express databases, to find specific predictor genes that can help predict clinical outcome of lung cancer (and in particular of adenocarcinoma) and could also be used to generate genetic signatures. It was also trained, among many, a particular model-learner, who was able to classify patients with adenocarcinoma in patients with good or poor survival probability. The processing and filtering of the data, so that they can be analyzed more quickly and easily as well as the other calculations were done mainly by means of the programming language R and the statistical packets developed for it. The most important predictors predicted belong to groups of genes involved in lung cancer except for one who is likely to be a new biological marker. Predictors can help generate genetic signatures, but also open up new horizons in searching for target molecules for treatment. Finally, the identified model adds one more tool in the search of the best treatment for an adenocarcinoma patient."]},{"key":"dc:title","label":"Title","values":["Γονιδιακές υπογραφές για την πρόγνωση ασθενών με ΜΜΚΠ(Μη Μικροκυτταρικό Καρκίνο του Πνεύμονα) βάσει δεδομένων μικροσυστοιχιών και τεχνητής νοημοσύνης"]}]}],"canonical_facts":{"dc:creator":["Λεοντής Αριστείδης","Leontis Aristeidis"],"dc:date":["2019"],"dc:description":["Ο καρκίνος του πνεύμονα είναι μία από τις πιο θανατηφόρες ασθένειες του 21ου αιώνα. Χωρίζεται σε υποκατηγορίες ανάλογα την παθοφυσιολογία που εμφανίζεται. Ο πιο διαδεδομένος τύπος καρκίνου του πνεύμονα είναι ο μη μικροκυτταρικός καρκίνος, οποίος χωρίζεται σε επιπλέον κατηγορίες με πιο βασική το αδενοκαρκίνωμα. Για την διάγνωση της ασθένειας υπάρχουν επί του παρόντος πολλές εναλλακτικές, ενώ μια μέθοδος που κερδίζει έδαφος είναι η εξέταση στο εργαστήριο με μικροσυστοιχίες. Οι διαθέσιμες θεραπευτικές επιλογές ποικίλλουν ανάλογα με το μοριακό προφίλ του κάθε καρκίνου. Στην παρούσα ερευνητική εργασία έγινε η ανάλυση, με τη χρήση τεχνητής νοημοσύνης και υπολογιστικών μεθόδων, αποτελεσμάτων από πειράματα με μικροσυστοιχίες της Affymetrix, αντλημένα από τις βάσεις δεδομένων GEO και Array Express ούτως ώστε να βρεθούν συγκεκριμένα γονίδια προγνωστές, τα οποία μπορούν να βοηθήσουν στην πρόβλεψη της κλινικής έκβασης του καρκίνου του πνεύμονα (και πιο συγκεκριμένα του αδενοκαρκινώματος) και επίσης θα μπορούσαν να χρησιμοποιηθούν για τη δημιουργία γενετικών υπογραφών. Εκπαιδεύτηκε επίσης, μεταξύ πολλών, συγκεκριμένο μοντέλο-learner, το οποίο είχε τη δυνατότητα να κατατάσσει ασθενείς με αδενοκαρκίνωμα σε ασθενείς με καλή ή κακή πιθανότητα επιβίωσης. Ο επεξεργασία και το φιλτράρισμα των δεδομένων, ώστε να μπορούν να αναλυθούν πιο γρήγορα και εύκολα καθώς και οι υπόλοιποι υπολογισμοί έγιναν κυρίως με τη βοήθεια της γλώσσας προγραμματισμού R και των στατιστικών πακέτων που έχουν αναπτυχθεί για αυτή. Οι πιο σημαντικοί προγνωστές που προβλέφθηκαν ανήκουν σε ομάδες γονιδίων που εμπλέκονται στον καρκίνο του πνεύμονα εκτός από έναν, ο οποίος έχει την πιθανότητα να αποτελεί έναν καινούργιο βιολογικό δείκτη. Οι προγνωστές μπορούν να βοηθήσουν στην δημιουργία γενετικών υπογραφών, αλλά και να ανοίξουν νέους ορίζοντες στην αναζήτηση μορίων στόχων για θεραπεία. Τέλος, το μοντέλο που προσδιορίστηκε έρχεται να προσθέσει ένα ακόμη εργαλείο στην αναζήτηση της καλύτερης θεραπείας για έναν ασθενή με αδενοκαρκίνωμα.","Lung cancer is one of the most deadly diseases of the 21st century. It is divided into sub-categories depending on the pathophysiology that occurs. The most widespread type of lung cancer is non-small cell cancer, which is divided into additional categories, one of the most basic being adenocarcinoma. For the diagnosis of the disease there are currently many alternatives, while a method that gains ground is the lab testing with microarrays. The available treatment options vary depending on the molecular profile of each cancer. In the present thesis, we analyzed the use of artificial intelligence and computational methods on results from Affymetrix microarray experiments, derived from the GEO and Array Express databases, to find specific predictor genes that can help predict clinical outcome of lung cancer (and in particular of adenocarcinoma) and could also be used to generate genetic signatures. It was also trained, among many, a particular model-learner, who was able to classify patients with adenocarcinoma in patients with good or poor survival probability. The processing and filtering of the data, so that they can be analyzed more quickly and easily as well as the other calculations were done mainly by means of the programming language R and the statistical packets developed for it. The most important predictors predicted belong to groups of genes involved in lung cancer except for one who is likely to be a new biological marker. Predictors can help generate genetic signatures, but also open up new horizons in searching for target molecules for treatment. Finally, the identified model adds one more tool in the search of the best treatment for an adenocarcinoma patient."],"dc:identifier":["uoadl:2863395","https://pergamos.lib.uoa.gr/uoa/dl/object/2863395"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Γονιδιακές υπογραφές για την πρόγνωση ασθενών με ΜΜΚΠ(Μη Μικροκυτταρικό Καρκίνο του Πνεύμονα) βάσει δεδομένων μικροσυστοιχιών και τεχνητής νοημοσύνης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:34:08Z"}